第9章 计算军械库与行业战例

第9章 · 计算军械库与行业战例

本章要回答的三个问题：全册散落的模型与算法，如何在一个 Python 工具箱里串成完整的推演流水线？真实行业的决策项目长什么样——从数据到模型到落地，卡点在哪？学完之后往哪走？本章收拢全册兵器，用行业战例做总演习。

为什么会有这一章

前八章的兵器是分着发的：第 3 章的求解器、第 4 章的仿真、第 5 章的图算法、第 7、8 章的控制与估计。但真实项目从不按章节出题——一个物流优化项目里，选址是整数规划、路径是启发式、需求预测误差要排队论兜底、动态调度可能是 MDP。本章第一节把这些工具装进同一个 Python 环境，演示"数据 → 模型 → 求解 → 仿真验证"的流水线怎么搭；第二节复盘制造、物流、能源三个行业战例，重点不是成功学，而是卡点与取舍：数据质量、模型与业务的接口、上线后的退化与再训练。

读完能解决什么

• 用 SciPy 生态搭建优化与仿真的完整工作流，知道每类问题该调哪个接口；
• 理解行业项目"七分数据三分模型"的现实，学会写模型规格与验证报告；
• 拿到全册知识地图，规划自己的进阶路线。

各节怎么分工

本章知识点清单

• SciPy 各求解接口与问题的对应关系（linprog、milp、minimize）；
• 优化与仿真的分工：求解器给方案，仿真器给置信度；
• 数字孪生式工作流：模型迭代、回测、上线的循环；
• 行业项目的典型卡点：数据口径、约束遗漏、组织接受度；
• 模型退化与监控：影子运行、A/B 对比、再训练触发。

军械库全景

求解器负责"算出方案"，仿真负责"告诉你这个方案值得信多少"——军械库里两者缺一，推演都是裸奔。

终点站的三个叮嘱

作为全册最后一章，除了工具与战例，还有三个叮嘱值得写下来。其一，保持沙盘思维：遇到任何新问题，先默诵四要素——变量、约束、目标、（如果是动态问题）状态与转移，这个翻译动作练到肌肉记忆，比记住任何单个算法都值钱。其二，尊重数据的地位：三个战例反复证明，行业项目的天花板往往由数据质量决定，花在口径对齐与数据清洗上的时间从来不是浪费。其三，交付的是决策不是数字：模型输出的最优解只是原材料，配上影子价格的解读、扰动下的置信区间、失败时的降级预案，才构成一份能进会议室的决策支持。带着这三个叮嘱读完本章，这套教程的使命就算完成了——剩下的路在你自己的沙盘上。

本章代码全部可脱离本教程独立运行，依赖只有 NumPy 与 SciPy——刻意不引入更重的建模语言与求解框架，是为了让流水线本身保持可审计：每一行都能回答这一步在算什么。等你在真实项目里需要更强的表达力时，再引入专门的建模语言不迟，那时本章的流水线就是你的验收基线。

先决条件

• 前八章任意路线走完后都可直接读本章；代码需要 NumPy/SciPy 环境；
• 9.2 不需要新的数学，需要一点对组织现实的耐心。

往下走到哪

本章是终点站也是换乘站：站内回顾全册知识地图，站外通往运筹优化与控制学习的专业纵深。祝推演愉快。